在线会议
论坛
专题
工控直播
新闻中心
子站
技术
社区
尽管预估故障发生时间会有所帮助，但描述预期故障类型（根本原因）甚至更加可贵。人们可以运用历史故障数据训练故障类型预测模型，但工程师往往会因各种故障场景导致缺乏故障数据。在第三篇（也是最后一篇）博客中控制工程网版权所有，我们将深入剖析最重要但时常被遗漏的预测性维护组件：工作流程故障及确定故障预测方法。
以下是两项前景广阔的解决方案，团队可以利用这些解决方案消除阻碍预测性维护实施的故障数据缺乏障碍：
1.生成样本故障数据：长久以来使用的故障模式效应分析 (FMEA) 等工具为确定要仿真哪些故障提供了有用的起点。自此以后，工程师能够在各种情形下将这些行为整合到模型中，通过调节温度、流速、振动或添加突发故障来对故障进行仿真。仿真期间www.cechina.cn，人们可以标记和存储各类场景所产生的故障数据，以供进一步分析。
图 1.使用 Simulink 生成故障数据。 1984–2019 The MathWorks, Inc.
2.了解可用的数据：根据可用的传感器，某些类型的故障可能需要同时查看多个传感器才能识别不良行为。然而，查看几十或几百个传感器的原始数据可能令人望而生畏。在这种情况下，无监督学习技术（机器学习的一个分支，如主成分分析 (PCA)）将原始传感器数据转换成较低维度的表现形式。此类数据比高维度的原始数据更加容易可视化和分析，使您透过未标记的数据揭示宝贵模式和趋势。即使不存在故障数据，运行数据也可能揭示机器性能随着时间的推移而衰退的趋势控制工程网版权所有，并预估组件的剩余使用寿命 (RUL)。
降低学习门槛的简要步骤
通常，工程师在算法建模和测试方面同样面临障碍，算法很可能较为陌生，令人望而生畏。
如果希望降低学习门槛，工程师可以按以下三个简单步骤操作：
1.定义目标：预先定义好您的目标（例如更早识别故障、更长的周期、停机时间减少），以及预测性维护算法对于实现目标的重要意义。首先，构建一个能测试算法并且评估它相对于目标的性能的框架控制工程网版权所有，从而实现更快的设计迭代。这样可以确保在公平的环境下对各种不同方法进行比较。
2.从简单开始：练习使用配有深入了解的系统的项目，越简单越好。例如，先审查组件级事件，而不是系统级或子系统级事件。这样可以减少需要调查的故障总数，缩短开发初始原型的时间。
图 2.对三个类型的故障建模：缸体泄露、入口阻塞和轴承摩擦增大。 1984–2019 The MathWorks, Inc.
3.获得置信度：一旦发现令人看好的结果，运用您的团队掌握的领域知识，根据结果的成本和严重性来预测不同的结果。在现有维护程序后台运行预测性维护模型，了解模型的实际运行状况。
总之，定义明确的目标，从简单着手，用数据进行验证，不断迭代，直到对结果有信心。
您可以通过点击此处，即刻下载《白皮书：克服预测性维护的四个常见障碍》。了解如何通过最佳实践、来自真实公司的范例以及预测性维护工作流程说明来克服这些障碍。
Seth DeLand 是 MathWorks 的应用经理，负责数据分析。在此之前CONTROL ENGINEERING China版权所有，他是负责优化产品的产品经理。在加入 MathWorks 之前CONTROL ENGINEERING China版权所有，Seth 在密歇根理工大学获得了机械工程学士和硕士学位。
.jpg)
AVEVA InTouch Unlimited试用版下载
福禄克三大“法宝”帮您搞定过程仪表校准难题
2024年度最佳产品奖颁奖典礼会后报道
2024全球自动化和制造主题峰会会后报道
阿自倍尔液体检测产品有奖试用
